[发明专利]多通道亚像素卷积神经网络的高精度工业零件测量算法

权利要求书

1.多通道亚像素卷积神经网络的高精度工业零件测量算法，其特征在于，所述高精度工业零件测量算法采用两种算子来提取图像边缘特征，分别是Roberts交叉微分算子和Sobel微分算子，生成工业零件的边缘图像LX1，LX2，再将原始图像与边缘图像一起作为神经网络的输入，网络由6层卷积神经网络构成，网络包含两个残差块，每个残差块由两个卷积层组成，从而使网络能学习到更多的图像细节特征，最后将两部分高分辨率重建图像叠加，从而使重建图像具有更清晰的细节，从而得到高分辨率的亚像素高清晰的图像。

2.根据权利要求1所述的多通道亚像素卷积神经网络的高精度工业零件测量算法，其特征在于，所述高精度工业零件测量算法的具体步骤如下：

S1、采用边缘提取Roberts、Sobel对图像进行边缘得取，得到图像的边缘图像LX1，LX2；

S2、使用低分辨率多通道图像X和边缘图像LX1，LX2一同作为网络输入Y；

S3、设计的网络为6层的深度卷积网络，网络包含两个残差块，每个残差块由两个卷积层组成，在每个残差块之间增加跳跃连接，跳跃连接使用恒等映射，从而使网络能学习到更多的图像细节特征，

网络中的激活函数选择Leaky ReLU，Leaky ReLU数学表达式为：

式(1)中的参数a取0～1之间的小数，Leaky ReLU是对ReLU的改进，ReLU在输入值为负时，输出始终为0，因此将导致神经元不能更新参数，Leaky ReLU对这一现象进行了改进，可确保输出为负值时，也有一个很小的输出，从而能确保参数不断被更新，得到满意结果；

S4、在Conv1层通过卷积完成特征提取，首先利用32个3×3的卷积核对输入网络的双通道图像进行卷积操作来提取特征，以此得到32幅特征图并构成C1层，然后运用激活函数对特征进行非线性映射，具体实现公式为

F₁(Y)＝max(0,W₁*Y+B₁)+a*min(0,W₁*Y+B₁) (2)

其中，F₁(Y)表示该层输出的特征图；参数a＝0.01；*表示卷积操作；W₁和B₁分别表示Conv1的卷积核和偏差，W₁＝c×n₁×f₁×f₁，n₁是该层滤波器数量，n₁＝32，c表示所处理图像的通道数，本文中c＝3，f₁×f₁表示该层卷积核的大小为3×3；

S5、Conv2、Conv3、Conv4和Conv5为非线性映射层，C1层的特征图作为残差网络的输入，Conv2与Conv3分别与32个3×3的卷积核进行卷积操作，分别得到包含32幅特征图的C2和C3层，实现方法与Conv1相同，Conv2和Conv3实现公式分别为：

F₂(Y)＝max(0,W₂*F₁(Y)+B₂)+a*min(0,W₂*F₁(Y)+B₂) (3)

F₃(Y)＝max(0,W₃*F₂(Y)+B₃)+a*min(0,W₃*F₂(Y)+B₃) (4)

W₂和B₂分别表示Conv2的卷积核和偏差，W₃和B₃分别表示Conv2的卷积核和偏差；

S6、第一个残差块输出C3的特征图与其恒等映射分支C1的特征图进行卷积操作，形成包含32幅特征图的C4层，Conv4卷积操作公式分为

F₄(Y)＝max(0,W₄*(F₃(Y)+F₁(Y))+B₄)+a*min(0,W₄*(F₃(Y)+F₁(Y))+B₄) (5)

式(5)中，W₄和B₄分别表示Conv4的卷积核和偏差，W4＝n3×n4×f4×f4；

S7、第二个残差块的输出特征图及其恒等映射的分支特征图与32个3×3的卷积核进行卷积操作形成32幅特征图的C5层，其实现方法与Conv1相同，

F₅(Y)＝max(0,W₅*F₄(Y)+B₅)+a*min(0,W₅*F₄(Y)+B₅) (6)

S8、最后一层Conv6是上采样与重建，如果r为放大系数，首先在C6层通过大小为1×1的亚像素卷积核生成r2幅特征图，然后重新排列这些特征图并得到放大r倍的高分辨率的图像即HR，其过程操作可表示为

HR＝F₆(Y)＝PS(W₆*(F₅(Y)+F₃(Y))+B₆) (7)

式(7)中，W6和B6表示卷积核与偏差，W6＝n4×n5×f6×f6，F5(Y)，F3(Y)分别表示第2个残差模块的卷积分支和恒等映射分支；PS表示一个周期的变换算子，用于实现像素的重新排列，生成一个r×H×r×W高分辨率图像，F6(Y)表示重建后的高分辨率图像，通过亚像素卷积层实现超分辨率重建操作，将学习到的特征图中位于同一位置的像素点进行重新排列，得到高分辨率深度图像。